Nutch 1.3 学习笔记 5 Fetcher

1. Fetcher模块的简单介绍

Fetcher这个模块在Nutch中有单独一个包在实现，在org.apache.nutch.fetcher，其中有Fetcher.java, FetcherOutput 和FetcherOutputFormat来组成，看上去很简单，但其中使用到了多线程，多线程的生产者与消费者模型，MapReduce的多路径输出等方法。

下面我们来看一下Fetcher的注释，从中我们可以得到很多有用的信息。

首先，这是一种基于队列的fetcher方法，它使用了一种经典的线程模型，生产者(a-QueueFeeder)与消费者(many-FetcherThread)模型，注意，这里有多个消费者。生产者从Generate产生的fetchlists中分类得到一批FetchItemQueue，每一个FetchItmeQueue都是由一类相同host的FetchItem组成，这些FetchItem是用来描述被抓取的对象。当一个FetchItem从FetchItemQueue中取出后，QueueFeeder这个生产者会不断的向队列中加入新的FetchItem，直到这个队列满了为止或者已经没有fetchlist可读取，当队列中的所有FetchItem都被抓取完成后，所有抓取线程都会退出运行。每一个FetchItemQueue都有一套自己的抓取策略，如最大的并行抓取个数，两次抓取的间隔等，如果当FetcherThread向队列申请一个FetchItem时，FetchItemQueue发现当前的FetchItem没有满足抓取策略，那这里它就会返回null，表达当前FetchItem还没有准备好被抓取。如果这些所有FetchItem都没有准备好被抓取，那这时FetchThread就会进入等待状态，直到条件满足被促发或者是等待超时，它会认为任务已经被挂起，这时FetchThread会自动退出。

2. FetcherOutputFormat的介绍

这个类是用来把FetcherOutput对象切分到不同的Map文件中的，也就是说它会根据对象的类型来判断输出到哪一个文件中，这里用到了一个多文件的输出。

FetcherOutputFormat继承自MapReduce框架的OutputFormat模板，其输出的<key,value>类型为<Text,NutchWritable>。

这里的OutputFormat定义了Map-Reduce任务的输出描述，Map-Reduce框架依赖任务的OutputFormat来做如下二件事情，一是用来验证输出源的可用性，如是否已经建立了相应的目录，数据库是否已经连上;另一件事是提供RecordWriter抽象来对数据进行写出到特定的数据源，一般输出文件定义在FileSystem里面。

FetcherOutputFormat主要是实现了getRecordWriter这个方法，用于得到相应的数据写出对象，我们来分析一下其源代码：

[html] view
plaincopy

public RecordWriter<Text, NutchWritable> getRecordWriter(final FileSystem fs,

final JobConf job,

final String name,

final Progressable progress) throws IOException {

// 定义输出目录

Path out = FileOutputFormat.getOutputPath(job);

// 定义抓取的输出目录

final Path fetch = new Path(new Path(out, CrawlDatum.FETCH_DIR_NAME), name);

// 定义抓取内容的输出目录

final Path content = new Path(new Path(out, Content.DIR_NAME), name);

// 定义数据压缩格式

final CompressionType compType = SequenceFileOutputFormat.getOutputCompressionType(job);

// 定义抓取的输出抽象类

final MapFile.Writer fetchOut =

new MapFile.Writer(job, fs, fetch.toString(), Text.class, CrawlDatum.class,

compType, progress);

// 这里使用了inner class来定义相应的RecordWriter

return new RecordWriter<Text, NutchWritable>() {

private MapFile.Writer contentOut;

private RecordWriter<Text, Parse> parseOut;

{

// 这里看如果Fetcher定义了输出内容，就生成相应的Content输出抽象

if (Fetcher.isStoringContent(job)) {

contentOut = new MapFile.Writer(job, fs, content.toString(),

Text.class, Content.class,

compType, progress);

}

// 如果Fetcher对抓取的内容进行了解析，这里就定义相应的解析输出抽象

// 注意这里使用了ParseOutputFormat的getReocrdWriter,主要是解析网页，抽取其外链接

if (Fetcher.isParsing(job)) {

parseOut = new ParseOutputFormat().getRecordWriter(fs, job, name, progress);

}

}

public void write(Text key, NutchWritable value)

throws IOException {

Writable w = value.get();

// 对对象类型进行判断，调用相应的抽象输出，写到不同的文件中去

if (w instanceof CrawlDatum)

fetchOut.append(key, w);

else if (w instanceof Content)

contentOut.append(key, w);

else if (w instanceof Parse)

parseOut.write(key, (Parse)w);

}

public void close(Reporter reporter) throws IOException {

fetchOut.close();

if (contentOut != null) {

contentOut.close();

}

if (parseOut != null) {

parseOut.close(reporter);

}

}

};

3. 生产者QueueFeeder的介绍

这个类作用是用于生产被抓取的FetchItem对象，把其放入抓取队列中。下来我们来对其源代码进行分析

[html] view
plaincopy

// 这个类继承自Thread，是用一个单独的线程来做的

private static class QueueFeeder extends Thread {

private RecordReader<Text, CrawlDatum> reader; // 这里是InputFormat产生的ReocrdReader，用于读取Generate的产生的数据

private FetchItemQueues queues; // 这是生产者与消费者所使用的共享队列，这个对列是分层的，分一层对应一个host

private int size; // 队列的大小

private long timelimit = -1; // 这是一个过滤机制的策略，用于过滤所有的FetchItem

// 构造方法

public QueueFeeder(RecordReader<Text, CrawlDatum> reader,

FetchItemQueues queues, int size) {

this.reader = reader;

this.queues = queues;

this.size = size;

this.setDaemon(true);

this.setName("QueueFeeder");

}

public void setTimeLimit(long tl) {

timelimit = tl;

}

// 函数的run方法

public void run() {

boolean hasMore = true; // while的循环条件

int cnt = 0;

int timelimitcount = 0;

while (hasMore) {

// 这里判断是否设置了这个过滤机制，如果设置了，判断相前时间是否大于这个timelimit，如果大于timelimit，过滤所有的FetchItem

if (System.currentTimeMillis() >= timelimit && timelimit != -1) {

// enough .. lets' simply

// read all the entries from the input without processing them

try {

// 读出<key,value>对，过滤之

Text url = new Text();

CrawlDatum datum = new CrawlDatum();

hasMore = reader.next(url, datum);

timelimitcount++;

} catch (IOException e) {

LOG.fatal("QueueFeeder error reading input, record " + cnt, e);

return;

}

continue; // 过滤之

}

int feed = size - queues.getTotalSize();

// 判断剩余的队列空间是否为0

if (feed <= 0) {

// queues are full - spin-wait until they have some free space

try {

// 休息1秒种

Thread.sleep(1000);

} catch (Exception e) {};

continue;

} else {

LOG.debug("-feeding " + feed + " input urls ...");

// 如果队列还有空间(feed>0)并且recordRedder中还有数据(hasMore)

while (feed > 0 && hasMore) {

try {

Text url = new Text();

CrawlDatum datum = new CrawlDatum();

// 读出<key,value>

hasMore = reader.next(url, datum);

if (hasMore) { // 判断是否成功读出数据

queues.addFetchItem(url, datum); // 放入对列，这个队列应该是thread-safe的，下面我们可以看到

cnt++; // 统计总数

feed--; // 剩余队列空间减1

}

} catch (IOException e) {

LOG.fatal("QueueFeeder error reading input, record " + cnt, e);

return;

}

}

}

}

LOG.info("QueueFeeder finished: total " + cnt + " records + hit by time limit :"

+ timelimitcount);

}

}

这个类主要负责向队列中放数据。

4. 下面我们来看一下这个队列是如果工作的

这里的共享对列主要如三个类组成，一个是FetchItem，存储队列中的元素;另一个是FetchItemQueue，用于存储相同host的FetchItem，最后一个是FetchItemQueues,看名字我们就知道，这是用于存储所有的FetchItemQueue的。

4.1 先让我们来看一下FetchItem的结构：

[html] view
plaincopy

FetchItem =>

{

queueID:String, // 用于存储队列的ID号

url:Text, // 用于存储CrawlDatum的url地址

u:URL, // 也是存储url,但是以URL的类型来存储，不过我看了一下，这东东在判断RobotRules的时候用了一下

datum:CrawlDatum // 这是存储抓取对象的一些元数据信息àà

}

下面我们来看一下它的create方法，是用来生成相应的FetchItem的，源代码如下：

[html] view
plaincopy

//从注释中我们可以看到，队列ID是由protocol+hotname或者是protocol+IP组成的

/** Create an item. Queue id will be created based on <code>byIP</code>

* argument, either as a protocol + hostname pair, or protocol + IP

* address pair.

*/

public static FetchItem create(Text url, CrawlDatum datum, boolean byIP) {

String queueID;

URL u = null;

try {

u = new URL(url.toString()); // 得到其URL

} catch (Exception e) {

LOG.warn("Cannot parse url: " + url, e);

return null;

}

// 得到协议号

String proto = u.getProtocol().toLowerCase();

String host;

if (byIP) {

// 如果是基于IP的，那得到其IP地址

try {

InetAddress addr = InetAddress.getByName(u.getHost());

host = addr.getHostAddress();

} catch (UnknownHostException e) {

// unable to resolve it, so don't fall back to host name

LOG.warn("Unable to resolve: " + u.getHost() + ", skipping.");

return null;

}

} else {

// 否则得到Hostname

host = u.getHost();

if (host == null) {

LOG.warn("Unknown host for url: " + url + ", skipping.");

return null;

}

host = host.toLowerCase(); // 统一变小写

}

// 得成相应的队列ID号，放入FetchItemQueue中

queueID = proto + "://" + host;

return new FetchItem(url, u, datum, queueID);

}

4.2 下面我们来看一下FetchQueue的组成结构

这个类主要是用于收集相同QueueID的FetchItem对象，对正在抓取的FetchItem进行跟踪，使用的是一个inProgress集合，还有计算两次请求的间隔时间，我们来看一下其结构：

[html] view
plaincopy

FetchQueue =>

{

// 用于收集相同QueueID的FetchItem, 这里使用的是线程安全的对象

List<FetchItem> queue = Collections.synchronizedList(new LinkedList<FetchItem>());

// 用于收集正在抓取的FetchItem

Set<FetchItem> inProgress = Collections.synchronizedSet(new HashSet<FetchItem>());

// 用于存储下一个FetchItem的抓取时候，如果没有到达这个时间，就返回给FetchThread为null

AtomicLong nextFetchTime = new AtomicLong();

// 存储抓取的出错次数

AtomicInteger exceptionCounter = new AtomicInteger();

// 存储FetchItem抓取间隔，这个配置只有当同时抓取最大线程数为1时才有用

long crawlDelay;

// 存储最小的抓取间隔，这个配置当同时抓取的最大线程数大于1时有用

long minCrawlDelay;

// 同时抓取的最大线程数

int maxThreads;

Configuration conf;

}

我们主要还看一下其getFetchItem方法：

[html] view
plaincopy

public FetchItem getFetchItem() {

// 当正在抓取的FetchItem数大于同时抓取的线程数时，返回null,这是一个politness策略

// 就是对于同一个网站，不能同时有大于maxThreads个线程在抓取，不然人家网站会认为你是在攻击它

if (inProgress.size() >= maxThreads) return null;

long now = System.currentTimeMillis();

// 计算两个抓取的间隔时间，如果没有到达这个时间，就返回null，这个是保证不会有多个线程同时在抓取一个网站

if (nextFetchTime.get() > now) return null;

FetchItem it = null;

// 判断队列是否为空

if (queue.size() == 0) return null;

try {

// 从准备队列中移除一个FetchItem,把其放到inProcess集合中

it = queue.remove(0);

inProgress.add(it);

} catch (Exception e) {

LOG.error("Cannot remove FetchItem from queue or cannot add it to inProgress queue", e);

}

return it;

}

这里还有一个方法是finishFetchItem,就是当这个FetchItem被抓了完成后，会调用这个方法，这个方法会把这个FetchTime从inProgress集合中删除，然后再更新一下nextFetchTime,nextFetchTime
= endTime + (maxThread > 1) ? minCrawlDelay : crawlDelay)

4.3 下面再来看一下FetchItemQueues

这个类主要是用来管理FetchItemQueue,下面介绍一下其主要的几个方法：

synchronized addFetchItem(FetchItem it): 是用来把FetchItem根据其QueueID号放到对应的FetchItemQueue中
synchronized getFetchItem() : 它是遍历FetchItemQueue，从中得到一个FetchItem，如果没有就返回null
synchronized checkExceptionThreshold : 用于查看特定FetchItemQueue的抓取失败次数，当这个次数大于maxExceptionsPerQueue时，就清空这个FetchItemQueue中的其它FetchItem.

5. 总结

这里我们看了一下Fetcher的抓取模型和其中使用的一些主要的类结构，还有FetcherOutputFormat的多文件轮子，下来我会对FetcherThread进行分析。